近年来,深度学习在许多应用领域取得了巨大的成功,其优异的表现可以部分归因于海量训练数据的收集。这些数据往往来源于个人用户,其中可能包含大量的用户不愿共享的隐私信息,如性别、年龄等。已有的隐私保护策略通过在用户端扰动原始数据或提取针对特定任务的特征的方式来保护用户隐私,但这些方法中大部分都难以抵御基于深度学习模型的隐私推断攻击,攻击者能从受保护的数据中准确推断出用户的隐私属性,同时上述方法往往导致明显的模型精度下降或者需要提供预定义的任务进行优化来保障精度,难以泛化到未知的后续学习任务中。本文从数据隐私与数据可用性两个方面需求出发,探索数据收集过程中属性隐私保护关键技术,在满足用户隐私属性保护需求的同时,最大化数据在后续未知学习任务中的可用性。本文方案的基本思想是通过多目标优化策略学习一个特征提取网络,该特征提取网络将原始数据映射至特征空间中,获得受保护的表征数据,用户仅上传受保护的数据表征至数据收集方,该表征中用户的隐私属性被置于决策超平面,使得隐私信息无法被判别,而除隐私外的其他可判别信息则被保留下来用于后续的学习任务。为保护用户隐私属性,本文提出隐私对抗学习机制PAL,通过优化特征提取网络来最大化攻击者对于隐私属性推断的不确定性来保护属性隐私。为保障数据在后续未知任务上的可用性,本文设计了条件重构机制Con Dec,通过最小化条件重构误差来最大化保护后数据与原始数据间的互信息,以保障处理后数据对于未知学习任务与原始数据有相近的可用性。进一步地,为对数据隐私与数据可用性进行权衡,本文提出对隐私对抗训练机制与条件重构机制进行联合学习优化特征提取网络,从原始数据中获得匿名的数据表征,该表征最大化保留数据中的原始信息用于完成数据收集方未知的学习任务同时隐藏数据中的隐私属性防止用户隐私泄露。最后,针对所提方案,本文通过理论分析以及在真实数据集上的大量实验证明方案的有效性,就属性隐私保护与数据可用性而言,本文方案超越了现有工作与基准方案。